CN107884744A - 无源被动式室内定位方法及装置 - Google Patents
无源被动式室内定位方法及装置 Download PDFInfo
- Publication number
- CN107884744A CN107884744A CN201710951127.5A CN201710951127A CN107884744A CN 107884744 A CN107884744 A CN 107884744A CN 201710951127 A CN201710951127 A CN 201710951127A CN 107884744 A CN107884744 A CN 107884744A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- sample
- coefficient
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种无源被动式室内定位方法，包括：将目标在非空旷室内各坐标处已采集的射频网络链路RSS值作为训练样本，以坐标编号作为样本标签；对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本；建立基于基尼决策树的Adaboost.M2集成学习模型，采用滤波后的训练样本和样本标签训练，确定训练后的模型；采集目标在监测区域中任意移动时的RSS值，作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，再输入至该训练后的模型中，确定定位结果。该方法能分辨和滤除RSS样本噪声和随机干扰，保留正常跳变数据，同时定位过程具有很强的泛化能力，总体上能提高定位准确率和稳定性。本发明还提供了一种对应的装置。
Description
技术领域
本发明涉及无线传感网络室内人员目标定位技术领域，尤其涉及一种在非空旷的较复杂室内环境下基于射频接收信号强度的无源被动式室内目标定位技术领域。
背景技术
基于无线射频传感网络的人员目标室内定位方法，不需要被定位目标主动配合和携带电子标签，其原理主要是：人体目标处在被监控区域时会对网络中相关射频链路产生遮挡或干扰，产生遮挡，也即产生了阴影效应，从而影响网络传感器节点接收信号强度值(RSS)，则可通过采集和分析RSSI样本情况来判断目标所在位置。由于射频信号的特性，该方法具有对环境温度、湿度、光线和非金属障碍物不敏感，组网方便成本低廉等优势，因此在智能楼宇监控、军事安防监测、老年监护、病人监测等领域具有广泛的应用前景。
该定位方法目前主要有两类技术实现方案：第一类是基于机器学习的技术方案。例如利用人工神经网络、指纹匹配、支持向量机等算法来实现，需要在监测区域内人为标定坐标，采集传感网络RSS数据作为训练样本训练机器学习模型，在线阶段通过测试数据进行定位。第二类是基于人体对射频信号链路影响模型的定位方案。该方案不需要离线学习，主要是找到理想的人体对相应链路接收信号强度的影响模型，例如椭圆模型、马鞍模型等。定位过程是通过影响模型和RSS值来推断相应参数，再配合粒子滤波、贝叶斯概率、射频层析成像等技术来实现对目标的定位。但在非空旷环境下，例如普通室内环境中，其区域结构变化多样，家具物品材质多变且形状不一，由此对不同链路射频信号引起的各种建设或非建设性衰落、反射、散射等影响有着巨大差别，而目前的定位方法在这种情况下就会存在以下问题：
(1)RSS样本滤波效果不佳。当监测区域相对复杂时，RSS数据会受到各种噪声和随机干扰的影响，且强度各异，有些甚至会使样本本身发生强烈畸变。而被测目标的移动速度并非恒定，使得有些信号和噪声时频特性混杂，难以分辨。传统的滤波方法效果不稳定，滤波条件严格会影响数据本身特性，甚至污染有效数据，条件宽松则会留有噪声和畸变点，这些都会影响定位准确率。
(2)机器学习定位方式准确率和泛化能力有待提高。当环境复杂，固定的链路影响模型很难正确表达RSS样本变化与目标位置变化的关系，机器学习方式是很好的选择。但复杂环境下，链路变化与目标位置关系复杂，各条链路重要性很难确定，节点权重分配不固定，所采集的训练样本量很有限，样本种类不全面。而由于训练后的单一机器学习模型泛化能力不强，适应性差，当目标处于某些训练样本坐标之间的位置时即目标在非标定坐标处，很可能定位到离真实位置相对其周围坐标较远的坐标上去，从而影响定位效果。例如目标处于坐标3和4之间的位置时，泛化能力和适应性不强的模型很可能将其定位到较远的坐标10或者13，实际期望则是模型能够输出的定位结果为坐标3或者4。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种无源被动式室内定位方法及装置，以解决现有基于RSS无源被动式室内定位技术在较复杂环境下，即非空旷环境，例如普通室内环境下，对RSS样本滤波效果不佳，机器学习方法定位准确率不高、泛化能力不强中的至少一个问题。
(二)技术方案
本发明提供了一种无源被动式室内定位方法，包括：
步骤A，将非空旷的室内环境作为监测区域，将目标在监测区域中各坐标处时，已采集的所有射频网络链路RSS值作为训练样本，并以坐标编号作为样本标签；
步骤B，对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本；
步骤C，建立基于基尼决策树的Adaboost.M2集成学习模型，利用滤波后的训练样本和样本标签训练，确定训练后的集成学习模型；以及
步骤D，采集目标在该监测区域中任意移动时所有射频网络链路RSS值，将其作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，确定滤波后的测试样本，并将其输入到训练后的集成学习模型中，确定定位结果。
在本发明的一些实施例中，步骤B包括子步骤：
子步骤B1，将训练样本组成样本矩阵，每一列表示一个训练样本，列数即为样本的个数，每一行表示同一维度在不同样本中的RSS值，将该样本矩阵按维度进行每一维度数据的小波分解，小波函数选取db1小波，获取低频小波系数ca和第h层高频小波系数cdh，其中，一个维度指一条射频链路，1≤h≤s，s为小波分解的层数，s≥2；
子步骤B2，保留低频小波系数ca，利用第h层和第h+1层的高频小波系数求二维双相关纵向相关系数corrh，确定高频小波系数能量Pcdh和纵向相关系数能量Pcorrh，确定归一化纵向相关系数corrnh；
子步骤B3，比较高频小波系数cdh与对应层的归一化纵向相关系数，将大于归一化纵向相关系数的高频小波系数设置为零，保留小于等于归一化纵向相关系数的高频小波系数，最后一层高频小波系数全部保留，最终确定保留高频小波系数cdi；
子步骤B4，将保留高频小波系数分成U段，U≥2，每段选择d个数据，d为正整数，按层分别利用第j段和第j+1段的保留高频小波系数来计算二维双相关中横向非时移相关系数R1ij，其中，1≤j≤U-1，将第j+1段保留高频小波系数进行时移，其中，时移量为a，a为小于等于d/2的正整数，按层分别计算横向时移相关系数R2ij，确定时移相关系数与非时移相关系数差值Rmij，并选定每一层R1ij中绝对值最小的R1ij对应的数据段cdri和每一层Rmij中绝对值最小的Rmij对应的数据段cdrmi，合并成滤波门限参数估计数据cdmi；
子步骤B5，根据cdmi确定滤波门限参数σ，再确定滤波门限thr，对保留高频小波系数进行分布式滤波，获取滤波后的高频小波系数cdfi；以及
子步骤B6，利用低频小波系数ca和滤波后的高频小波系数cdfi进行小波重构，获得滤波后的训练样本。
在本发明的一些实施例中，子步骤B2中依照以下公式确定归一化纵向相关系数：
corrh＝cdh·cdh+1
其中，n为高频小波系数cdh序列的长度，1≤g≤n，g为高频小波系数cdh序列中数据的序号。
在本发明的一些实施例中，子步骤B4中，依照以下公式确定R1ij、R2ij、Rmij，并选定cdri、cdrmi、cdmi：
Rmij＝|R1ij-R2ij|
cdrmi＝cdij，若
cdri＝cdij，若
cdmi＝{cdrmi，cdri}
其中，cdij+1是cdij下一相邻的非时移小段，cdij+1是cdij+1右移a个时移量形成的时移小段，Cov为cdij+1与cdij之间的协方差，Var为cdij+1与cdij之间的方差。
在本发明的一些实施例中，子步骤B5中依照以下公式确定滤波门限参数σ和门限thr，并进行分布式小波滤波获取滤波后的高频小波系数cdfi：
其中，2≤q≤s，L为每一层保留高频小波系数cdi的长度，L＝U×d，median为取中间值，y为每一层保留高频小波系数中各个数据的序号，1≤y≤L。
在本发明的一些实施例中，步骤C包括子步骤：子步骤C1，确定训练样本中每一个属性的Gini系数，选择Gini系数最大值对应的属性A作为最佳属性进行决策树的生长，其中，基尼系数Gini(A)的公式为：
其中，V是该决策树的分枝数，N为坐标的个数，S′bc是以A为***属性时分出的样本子集S′c中属于b类的样本个数，E是***点处总体样本的个数，1≤b≤N；以及子步骤C2，基于子步骤C1中的决策树，确定训练后的集成学习模型：
迭代更新样本权重：
确定决策树的错误率：
确定决策树的权重：
其中，W0(f)是第f个样本的初始权值，N是坐标的个数，M为每个坐标下包含的训练样本的数目，Wk(f，z)为在第k轮迭代中样本f被分为所有的错误类别z的可能性之和，k是迭代次数，hk(xf，zf)为第k棵决策树对第f个样本分类结果为其正确类别zf的可能性，hk(xf，z)第k棵决策树对第f个样本分类结果为除其正确类别zf以外的所有其他不正确类别z的可能性，εk是第k棵决策树的错误率，ak是第k棵决策树的权重，Sum为求和。
在本发明的一些实施例中，子步骤B1还包括步骤：将监测区域没有目标时采集的所有射频网络链路RSS值作为参考样本，将所述训练样本与参考样本进行差值化处理，确定差值信号，作为所述训练样本。
基于同一发明构思，本发明还提供一种无源被动式室内定位装置，包括：
存储器，用于存储指令；以及
处理器，用于根据所述指令，执行前述的无源被动式室内定位方法。
(三)有益效果
本发明提供的无源被动式室内定位方法及装置，相较于现有技术，至少具有以下优点：
1、将RSS数据样本进行纵向和横向二维双相关分布式小波滤波处理，有针对性的分辨和滤除RSS样本噪声，尽可能保留混杂在高频噪声中由于目标移动产生的正常跳变数据，同时对数据异常跳变点、高频噪声具有很好的滤除效果，并且具二维双相关自适应滤波阈值。
2、本发明基于基尼决策树的Adaboost.M2集成学习模型，解决了单个机器学习模型由于泛化能力不强，适应性差导致的目标在非标定坐标处分类效果不佳的问题，能够在链路变化与目标位置关系复杂，各条链路重要性很难确定的情况下，对样本特征和属性进行合理的权重分配和选择，从而训练出多组学习模型提高泛化能力和定位正确率。
附图说明
图1为本发明实施例的无源被动式室内定位方法的步骤示意图。
图2A为本发明的实施例1的坐标划分后的监测环境整体示意图。
图2B为本发明的实施例2的坐标划分后的监测环境整体示意图。
图3A为实施例1的无滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图3B为实施例1的无滤波且基于深度神经网络DNN模型的定位效果图。
图3C为实施例1的无滤波且基于指纹识别模型的定位效果图。
图3D为实施例1的无滤波且基于SVM模型的定位效果图。
图3E为实施例2的无滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图3F为实施例2的无滤波且基于深度神经网络DNN模型的定位效果图。
图3G为实施例2的无滤波且基于指纹识别模型的定位效果图。
图3H为实施例2的无滤波且基于SVM模型的定位效果图。
图4A为实施例1的二维双相关分布式小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4B为实施例1的单相关阈值小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4C为实施例1的相关性小波熵滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4D为实施例1的高频系数全零小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4E为实施例2的二维双相关分布式小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4F为实施例2的单相关阈值小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4G为实施例2的相关性小波熵滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图4H为实施例2的高频系数全零小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图5A为实施例1的二维双相关分布式小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图5B为实施例1的二维双相关分布式小波滤波且基于深度神经网络DNN模型的定位效果图。
图5C为实施例1的二维双相关分布式小波滤波且基于指纹识别模型的定位效果图。
图5D为实施例1的二维双相关分布式小波滤波且基于SVM模型的定位效果图。
图5E为实施例2的二维双相关分布式小波滤波且基于基尼决策树的Adaboost.M2集成学习模型的定位效果图。
图5F为实施例2的二维双相关分布式小波滤波且基于深度神经网络DNN模型的定位效果图。
图5G为实施例2的二维双相关分布式小波滤波且基于指纹识别模型的定位效果图。
图5H为实施例2的二维双相关分布式小波滤波且基于SVM模型的定位效果图。
图6为本发明实施例的无源被动式室内定位装置的结构示意图。
具体实施方式
为了解决现有的定位方法存在RSS样本滤波效果不佳，以及机器学习定位方式准确率和泛化能力有待提高的缺陷，本发明提供了一种无源被动式室内定位方法，主要适用于较复杂的室内，即非空旷环境，例如普通室内环境下，利用二维双相关小波滤波方法对采集的RSS样本数据进行滤波，利用滤波后的数据对基于基尼决策树的Adaboost.M2集成学习模型进行训练，以得到训练后的模型。最后，采集目标在监测区域中任意移动时的RSS值，作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，再输入至该训练后的模型中，确定定位结果。一般来说，在无源被动式定位方法中，目标不需要携带电子标签和信号收发装置，就能够被直接定位。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明实施例提供了一种无源被动式室内定位方法，如图1所示，该方法包括步骤：
步骤A，将非空旷的普通室内环境作为监测区域，将目标在监测区域中各坐标处时，已采集的所有射频网络链路RSS值作为训练样本，并以坐标编号作为样本标签。其中，所述坐标的确定包括步骤：在该非空旷的室内环境中无障碍区域的地面，选取任一位置作为起始坐标，沿着该起始坐标的纵向和横向，自该起始坐标起每隔一预定距离设置一坐标，其中，所述坐标包括所述起始坐标。一般来说，可以通过在该监测区域的周围设置多个射频传感器，获取所述训练样本，所述射频传感器的高度一般为1.5m～2m(米)，优选射频传感器的高度相同。
设坐标的个数为N，实施例1中N＝18，实施例2中N＝12。每个坐标下采集M个训练样本，两个实施例中M＝480，I坐标处采集的训练样本为RIJ＝{rssIJ1，rssIJ2，......，rssIJH}(I＝1，2...N，J＝1，2...M)，H为链路个数，在本实施例中H＝48，则I点训练样本集合为RI＝{RI1，R12，......RIM}，RI对应标签集合为YI＝{I1，I2，......IM}，因为都是在同一坐标I点处采集的，所以I1＝I2＝...＝IM＝I。则训练样本总体可表示为R＝{R1，R2，......RN}，其对应标签Y＝{Y1，Y2，......YN}。
接着，结合实施例1和实施例2对坐标的确定进行举例说明，图2图2A为本发明的实施例1的坐标划分后的监测环境整体示意图，图2B为本发明的实施例2的坐标划分后的监测环境整体示意图，如图2A至图2B所示，这两个实施例的监测区域都是有障碍物的普通室内环境，两个实施例的家具大小、摆放和材质等均不同。
实施例1的坐标数为18个，分别编号为1～18。需要注意的是，为了减小干扰带来的影响，可以将监测区域没有目标时采集的所有射频网络链路RSS值作为参考样本，将所述训练样本与参考样本进行差值化处理，确定差值信号，作为所述训练样本。因此在本实施例中，还需加上监测区域无目标时的情况，一共19组训练数据样本。类似地，实施例2的坐标数为12个，分别编号为1～12，加上监测区域无目标时的情况，一共有13组训练样本。采集训练样本时，目标分别站在每个坐标处，每个坐标点采集480个样本，每个样本由48个维度(互相通信的传感器之间的链路的数目)组成。
步骤B，对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本。
其中，步骤B主要包括如下子步骤：
子步骤B1，将训练样本组成样本矩阵，每一列表示一个训练样本，列数即为样本的个数，每一行表示同一维度在不同样本中的RSS值，将该样本矩阵按维度进行每一维度数据的小波分解，小波函数选取db1小波，获取低频小波系数ca和第h层高频小波系数cdh，其中，一个维度指一条射频链路，1≤h≤s，s为小波分解的层数，s≥2；其中，小波分解的层数可以根据训练样本矩阵每一维度的数据长度择优选择。
子步骤B2，保留低频小波系数ca，利用第h层和第h+1层的高频小波系数求二维双相关纵向相关系数corrh，确定高频小波系数能量Pcdh和纵向相关系数能量Pcorrh，确定归一化纵向相关系数corrnh；
corrh＝cdh·cdh+1
其中，n为高频小波系数cdh序列的长度，1≤g≤n，g为高频小波系数cdh序列中数据的序号。
子步骤B3，比较高频小波系数cdh与对应层的归一化纵向相关系数，将大于归一化纵向相关系数的高频小波系数设置为零，保留小于等于归一化纵向相关系数的高频小波系数，最后一层高频小波系数全部保留，最终确定保留高频小波系数cdi；
子步骤B4，将保留高频小波系数分成U段，U≥2，每段选择d个数据，d为正整数，优选地，10≤d≤20。再按层分别利用第j段和第j+1段的保留高频小波系数来计算二维双相关中横向非时移相关系数R1ij，其中，1≤j≤U-1，将第j+1段保留高频小波系数进行时移，其中，时移量为a，a为小于等于d/2的正整数，按层分别计算横向时移相关系数R2ij，确定时移相关系数与非时移相关系数差值Rmij，并选定每一层R1ij中绝对值最小的R1ij对应的数据段cdri和每一层Rmij中绝对值最小的Rmij对应的数据段cdrmi，合并成滤波门限参数估计数据cdmi。依照以下公式确定R1ij、R2ij、Rmij，并选定cdri、cdrmi、cdmi：
Rmij＝|R1ij-R2ij|
cdrmi＝cdij，若
cdri＝cdij，若
cdmi＝{cdrmi，cdri}
其中，cdij+1是cdij下一相邻的非时移小段，cdij+1是cdij+1右移a个时移量形成的时移小段，Cov为cdij+1与cdij之间的协方差，Var为cdij+1与cdij之间的方差。
子步骤B5，根据cdmi确定滤波门限参数σ，再确定滤波门限thr，对保留高频小波系数进行分布式滤波，获取滤波后的高频小波系数cdfi。
子步骤B5中依照以下公式确定滤波门限参数σ和门限thr，并进行分布式小波滤波获取滤波后的高频小波系数cdfi：
其中，2≤q≤s，L为每一层保留高频小波系数cdi的长度，L＝U×d，median为取中间值，y为每一层保留高频小波系数中各个数据的序号，1≤y≤L。
子步骤B6，利用低频小波系数ca和滤波后的高频小波系数cdfi进行小波重构，获得滤波后的训练样本。
步骤C，建立基于基尼决策树的Adaboost.M2集成学习模型，利用滤波后的训练样本和样本标签训练，确定训练后的集成学习模型。
包括如下子步骤：
子步骤C1，确定训练样本中每一个属性的Gini系数，选择Gini系数最大值对应的属性A作为最佳属性进行决策树的生长，其中，基尼系数Gini(A)的公式为：
其中，V是该决策树的分枝数，N为坐标的个数，S′bc是以A为***属性时分出的样本子集S′c中属于b类的样本个数，E是***点处总体样本的个数，1≤b≤N；以及
子步骤C2，基于子步骤C1中的决策树，确定训练后的集成学习模型：
迭代更新样本权重：
确定决策树的错误率：
确定决策树的权重：
其中，W0(f)是第f个样本的初始权值，N是坐标的个数，M为每个坐标下包含的训练样本的数目，Wk(f，z)为在第k轮迭代中样本f被分为所有的错误类别z的可能性之和，k是迭代次数，hk(xf，zf)为第k棵决策树对第f个样本分类结果为其正确类别zf的可能性，hk(xf，z)第k棵决策树对第f个样本分类结果为除其正确类别zf以外的所有其他不正确类别z的可能性，εk是第k棵决策树的错误率，ak是第k棵决策树的权重，Sum为求和。另外，一般来说，第几个决策树也代表着进行了第几次迭代。
最后进行步骤D，采集目标在该监测区域中任意移动时所有射频网络链路RSS值，将其作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，确定滤波后的测试样本，并将其输入到训练后的集成学习模型中，确定定位结果。
接下来，对本发明提供的方法进行测试验证：
验证过程中，测试样本是人员目标从监测区域任意一点出发连续移动到任意一点结束时所采集的，每个测试样本可以由48个维度组成(在其他实施例中可以选择不同的维度数目)。由于普通室内环境结构变化多样，家具物品材质构成多变且大小不一，由此对射频信号引起的各种建设或非建设性衰落、反射、散射等现象千差万别，环境中也存在各种噪声和随机干扰，因此所采集的数据样本含有各种噪声和数据突变。
目标移动过程中，由于目标移动速度随时可能变化，所以各处采集的样本量不尽相同，并且目标除了经过已标定坐标的地点还必将会经过某些坐标点之间的区域，而目标处于这些标定坐标之间的区域所采集的样本正是验证定位模型泛化能力，定位方法准确率的关键所在。例如，目标处于坐标3和4之间的位置时，受各种因素影响，其他定位方法可能将其定位到较远坐标上(例如坐标10或者13)从而使定位结果具有较大偏差，而实际期望是模型能够输出的定位结果为坐标3或者4。
在实施例1和实施例2中，在普通室内环境下，利用本发明的基于基尼决策树的Adaboost.M2集成学习模型的定位方法，进行了不同的定位测试，并与采用了该领域相关定位模型中的指纹模型、SVM模型、深度神经网络DNN模型的3种不同的定位方法进行了比较。分别对比了有、无滤波处理时的定位效果；不同小波滤波方式下的定位效果；以及采用了本发明所述的二维双相关小波滤波方法时，不同定位模型的定位效果。其中，深度神经网络模型经过调试，选择了5层全连接DNN结构，并使用了正则化和dropout层，可以尽量避免局部极小和过拟合问题。
两个实施例中，相较于实施例2，实施例1的环境噪声和数据异常跳变更少，数据质量更高，因此实施例2能更清楚的体现本发明非空旷的普通室内环境下无源被动式室内定位方法的滤波和泛化能力优势。两个实施例的坐标精度都是0.5米，因此实验结果将检验分辨率为0.5米时的定位准确率和稳定性。
图3A至图3H是无滤波处理时，本发明的基于基尼决策树的Adaboost.M2集成学习模型的定位方法和其他模型的定位方法在测试样本下的定位结果图，表2为图3A至图3H的定位结果的比较表。横坐标表示按时间顺序排布的测试样本编号，纵坐标表示定位的坐标结果。其中，实施例1和实施例2的测试样本分别是目标经过标定坐标16-13-7-4-3-2-9-11和1-6-7-8-9-10-11时采集的。从图中可以看出，本发明中基于基尼决策树的Adaboost.M2集成学习模型比其他模型具有更好的稳定性，在0.5米分辨率下的准确率(见表1)明显高于采用了其他模型的定位方法。
表1
图4A至图4H，是使用不同小波滤波方式下利用本发明的集成学习模型，得出的定位效果图，表2为图4A至图4H的定位效果比较表。横坐标表示按时间顺序排布的测试样本编号，纵坐标表示定位的坐标结果。不同小波滤波方式分别是本发明的二维双相关分布式小波滤波、单相关阈值小波滤波、相关性小波熵滤波、高频系数全零小波滤波，层数都设置为3层。从图中可以看出，采用本发明中二维双相关分布式小波滤波方法进行滤波的定位方法，在0.5米分辨率下的定位准确率(见表2)要高于采用了其他小波滤波方式的定位方法，且稳定性也更好。
表2
图5A至图5H，为都采用了本发明的二维双相关分布式小波滤波方法时，不同的定位模型的定位结果图，表3为图5A至图5H的定位结果比较表。横坐标表示按时间顺序排布的测试样本编号，纵坐标表示定位的坐标结果。从图中可以看出本发明的基于基尼决策树的Adaboost.M2集成学习模型的定位方法要比采用了其他定位模型的定位方法，在0.5米分辨率下的定位准确率更高(见表3)，稳定性更好。同时对比表1可以发现，同种模型的定位方法经本发明的二维双相关分布式小波滤波进行数据预处理后，其定位准确度也得到了不同程度的提高。
表3
本发明实施例的另一方面，还提供了一种无源被动式室内定位装置，图6为本发明实施例的无源被动式室内定位装置的结构示意图，如图6所示，该装置包括：存储器61，用于存储指令；以及处理器62，用于根据存储器61中的指令，执行前述的无源被动式室内定位方法。本发明能够分辨和滤除RSS样本噪声和随机干扰，保留正常跳变数据，同时定位过程具有很强的泛化能力，总体上能提高定位准确率和稳定性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种无源被动式室内定位方法，包括：
步骤A，将非空旷的室内环境作为监测区域，将目标在监测区域中各坐标处时，已采集的所有射频网络链路RSS值作为训练样本，并以坐标编号作为样本标签；
步骤B，对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本；
步骤C，建立基于基尼决策树的Adaboost.M2集成学习模型，利用滤波后的训练样本和样本标签训练，确定训练后的集成学习模型；以及
步骤D，采集目标在该监测区域中任意移动时所有射频网络链路RSS值，将其作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，确定滤波后的测试样本，并将其输入到训练后的集成学习模型中，确定定位结果。
2.根据权利要求1所述的方法，其中，步骤B包括子步骤：
子步骤B1，将训练样本组成样本矩阵，每一列表示一个训练样本，列数即为样本的个数，每一行表示同一维度在不同样本中的RSS值，将该样本矩阵按维度进行每一维度数据的小波分解，小波函数选取db1小波，获取低频小波系数ca和第h层高频小波系数cdh，其中，一个维度指一条射频链路，1≤h≤s，s为小波分解的层数，s≥2；
子步骤B2，保留低频小波系数ca，利用第h层和第h+1层的高频小波系数求二维双相关纵向相关系数corrh，确定高频小波系数能量Pcdh和纵向相关系数能量Pcorrh，确定归一化纵向相关系数corrnh；
子步骤B3，比较高频小波系数cdh与对应层的归一化纵向相关系数，将大于归一化纵向相关系数的高频小波系数设置为零，保留小于等于归一化纵向相关系数的高频小波系数，最后一层高频小波系数全部保留，最终确定保留高频小波系数cdi；
子步骤B4，将保留高频小波系数分成U段，U≥2，每段选择d个数据，d为正整数，按层分别利用第j段和第j+1段的保留高频小波系数来计算二维双相关中横向非时移相关系数R1ij，其中，1≤j≤U-1，将第j+1段保留高频小波系数进行时移，其中，时移量为a，a为小于等于d/2的正整数，按层分别计算横向时移相关系数R2ij，确定时移相关系数与非时移相关系数差值Rmij，并选定每一层R1ij中绝对值最小的R1ij对应的数据段cdri和每一层Rmij中绝对值最小的Rmij对应的数据段cdrmi，合并成滤波门限参数估计数据cdmi；
子步骤B5，根据cdmi确定滤波门限参数σ，再确定滤波门限thr，对保留高频小波系数进行分布式滤波，获取滤波后的高频小波系数cdfi；以及
子步骤B6，利用低频小波系数ca和滤波后的高频小波系数cdfi进行小波重构，获得滤波后的训练样本。
3.根据权利要求2所述的方法，其中，子步骤B2中依照以下公式确定归一化纵向相关系数：
corrh＝cdh·cdh+1
<mrow>
<msub>
<mi>Pcd</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>cd</mi>
<mi>h</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Pcorr</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>corr</mi>
<mi>h</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>corrn</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<msub>
<mi>corr</mi>
<mi>h</mi>
</msub>
<mo>&CenterDot;</mo>
<msqrt>
<mfrac>
<mrow>
<msub>
<mi>Pcd</mi>
<mi>h</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>Pcorr</mi>
<mi>h</mi>
</msub>
</mrow>
</mfrac>
</msqrt>
</mrow>
其中，n为高频小波系数cdh序列的长度，1≤g≤n，g为高频小波系数cdh序列中数据的序号。
4.根据权利要求2所述的方法，其中，子步骤B4中，依照以下公式确定R1ij、R2ij、Rmij，并选定cdri、cdrmi、cdmi：
<mrow>
<mi>R</mi>
<msub>
<mn>1</mn>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mfrac>
</mrow>
<mrow>
<mi>R</mi>
<msub>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>cd</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>cd</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<msup>
<mi>cd</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mfrac>
</mrow>
Rmij＝|R1ij-R2ij|
cdrmi＝cdij，若
cdri＝cdij，若
cdmi＝{cdrmi，cdri}
其中，cdij+1是cdij下一相邻的非时移小段，cdij+1是cdij+1右移a个时移量形成的时移小段，Cov为cdij+1与cdij之间的协方差，Var为cdij+1与cdij之间的方差。
5.根据权利要求2所述的方法，其中，子步骤B5中依照以下公式确定滤波门限参数σ和门限thr，并进行分布式小波滤波获取滤波后的高频小波系数cdfi：
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<mn>2</mn>
<mo>&times;</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<mi>m</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>cdm</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>0.6745</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>r</mi>
<mo>=</mo>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
其中，2≤q≤s，L为每一层保留高频小波系数cdi的长度，L＝U×d，median为取中间值，y为每一层保留高频小波系数中各个数据的序号，1≤y≤L。
6.根据权利要求1所述的方法，其中，步骤C包括子步骤：
子步骤C1，确定训练样本中每一个属性的Gini系数，选择Gini系数最大值对应的属性A作为最佳属性进行决策树的生长，其中，基尼系数Gini(A)的公式为：
<mrow>
<mi>G</mi>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>v</mi>
</munderover>
<mfrac>
<msubsup>
<mi>S</mi>
<mi>c</mi>
<mo>&prime;</mo>
</msubsup>
<mi>E</mi>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msubsup>
<mi>S</mi>
<mrow>
<mi>b</mi>
<mi>c</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>S</mi>
<mi>c</mi>
<mo>&prime;</mo>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中，V是该决策树的分枝数，N为坐标的个数，S′bc是以A为***属性时分出的样本子集S′c中属于b类的样本个数，E是***点处总体样本的个数，1≤b≤N；以及
子步骤C2，基于子步骤C1中的决策树，确定训练后的集成学习模型：
迭代更新样本权重：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>W</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mi>M</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mi>f</mi>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</munderover>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>f</mi>
</msub>
<mo>,</mo>
<msub>
<mi>z</mi>
<mi>f</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>f</mi>
</msub>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
确定决策树的错误率：
确定决策树的权重：
其中，W0(f)是第f个样本的初始权值，N是坐标的个数，M为每个坐标下包含的训练样本的数目，Wk(f，z)为在第k轮迭代中样本f被分为所有的错误类别z的可能性之和，k是迭代次数，hk(xf，zf)为第k棵决策树对第f个样本分类结果为其正确类别zf的可能性，hk(xf，z)第k棵决策树对第f个样本分类结果为除其正确类别zf以外的所有其他不正确类别z的可能性，εk是第k棵决策树的错误率，ak是第k棵决策树的权重，Sum为求和。
7.根据权利要求1所述的方法，其中，子步骤B1还包括步骤：将监测区域没有目标时采集的所有射频网络链路RSS值作为参考样本，将所述训练样本与参考样本进行差值化处理，确定差值信号，作为所述训练样本。
8.一种无源被动式室内定位装置，包括：
存储器，用于存储指令；以及
处理器，用于根据所述指令，执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710951127.5A CN107884744B (zh) | 2017-10-12 | 2017-10-12 | 无源被动式室内定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710951127.5A CN107884744B (zh) | 2017-10-12 | 2017-10-12 | 无源被动式室内定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107884744A true CN107884744A (zh) | 2018-04-06 |
| CN107884744B CN107884744B (zh) | 2021-01-01 |
Family
ID=61781631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710951127.5A Active CN107884744B (zh) | 2017-10-12 | 2017-10-12 | 无源被动式室内定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107884744B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325261A (zh) * | 2020-02-14 | 2020-06-23 | 中国科学院半导体研究所 | 用于动态环境的无源室内定位算法及装置 |
| CN117295157A (zh) * | 2023-11-24 | 2023-12-26 | 北京国旺盛源智能终端科技有限公司 | 一种用于可穿戴式背夹终端的定位方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7038617B1 (en) * | 2005-05-26 | 2006-05-02 | Lockheed Martin Corporation | Sensor doppler/wavelet processing |
| CN102186194A (zh) * | 2011-05-09 | 2011-09-14 | 松日数码发展(深圳)有限公司 | 基于无线传感器网络的无源目标测量模型的建立方法 |
| CN103023589A (zh) * | 2012-12-06 | 2013-04-03 | 中山大学 | 一种室内无源被动式移动检测方法及其检测装置 |
| CN104883732A (zh) * | 2015-04-14 | 2015-09-02 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
| CN105116375A (zh) * | 2015-07-16 | 2015-12-02 | 北京理工大学 | 基于多频点的鲁棒无源被动目标定位方法 |
-
2017
- 2017-10-12 CN CN201710951127.5A patent/CN107884744B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7038617B1 (en) * | 2005-05-26 | 2006-05-02 | Lockheed Martin Corporation | Sensor doppler/wavelet processing |
| CN102186194A (zh) * | 2011-05-09 | 2011-09-14 | 松日数码发展(深圳)有限公司 | 基于无线传感器网络的无源目标测量模型的建立方法 |
| CN103023589A (zh) * | 2012-12-06 | 2013-04-03 | 中山大学 | 一种室内无源被动式移动检测方法及其检测装置 |
| CN104883732A (zh) * | 2015-04-14 | 2015-09-02 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
| CN105116375A (zh) * | 2015-07-16 | 2015-12-02 | 北京理工大学 | 基于多频点的鲁棒无源被动目标定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张乐玫: "室内定位特征选择算法研究", 《SOFTWARE》 * |
| 李健伟: "基于RSS的室内无线定位***的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325261A (zh) * | 2020-02-14 | 2020-06-23 | 中国科学院半导体研究所 | 用于动态环境的无源室内定位算法及装置 |
| CN111325261B (zh) * | 2020-02-14 | 2023-12-05 | 中国科学院半导体研究所 | 用于动态环境的无源室内定位算法及装置 |
| CN117295157A (zh) * | 2023-11-24 | 2023-12-26 | 北京国旺盛源智能终端科技有限公司 | 一种用于可穿戴式背夹终端的定位方法及*** |
| CN117295157B (zh) * | 2023-11-24 | 2024-02-13 | 北京国旺盛源智能终端科技有限公司 | 一种用于可穿戴式背夹终端的定位方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107884744B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106526693B (zh) | 裂缝识别方法和装置 | |
| CN104182642B (zh) | 一种基于稀疏表示的故障检测方法 | |
| CN102721941B (zh) | 一种基于som和d-s理论的电表电路故障信息融合和诊断方法 | |
| CN104775811B (zh) | 一种地层各向异性信息的提取及校正方法和*** | |
| CN104502997B (zh) | 一种利用裂缝密度曲线预测裂缝密度体的方法 | |
| CN105447762B (zh) | 一种流体替换的低渗透油藏水淹信息的计算方法 | |
| CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
| CN107290782A (zh) | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 | |
| CN103886328A (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
| CN103353923A (zh) | 基于空间特征分析的自适应空间插值方法及其*** | |
| CN113534240B (zh) | 微地震事件检测与定位方法及*** | |
| CN107967489A (zh) | 一种异常检测方法及*** | |
| CN103454677B (zh) | 基于粒子群与线性加法器结合的地震数据反演方法 | |
| CN108376295A (zh) | 一种油气甜点预测方法及存储介质 | |
| CN115047531A (zh) | 一种基于elm网络的瞬变电磁数据反演方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| CN104239712A (zh) | 一种雷达抗干扰效能实时评估方法 | |
| CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
| CN107230197A (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN107884744A (zh) | 无源被动式室内定位方法及装置 | |
| CN108960334A (zh) | 一种多传感器数据加权融合方法 | |
| CN106650766A (zh) | 基于固有特征分析的三维体波形分类方法 | |
| Guo et al. | Prediction of reservoir saturation field in high water cut stage by bore-ground electromagnetic method based on machine learning | |
| CN110288227A (zh) | 一种用于评价影响压裂效果主控因素的方法 | |
| CN109034179A (zh) | 一种基于马氏距离idtw的岩层分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |